CN107944205B - 一种基于高斯烟羽模型的水域特征模型建立方法 - Google Patents
一种基于高斯烟羽模型的水域特征模型建立方法 Download PDFInfo
- Publication number
- CN107944205B CN107944205B CN201810045255.8A CN201810045255A CN107944205B CN 107944205 B CN107944205 B CN 107944205B CN 201810045255 A CN201810045255 A CN 201810045255A CN 107944205 B CN107944205 B CN 107944205B
- Authority
- CN
- China
- Prior art keywords
- water
- water area
- key monitoring
- model
- water quality
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 134
- 238000000034 method Methods 0.000 title claims abstract description 20
- 239000000779 smoke Substances 0.000 title claims abstract description 18
- 238000012544 monitoring process Methods 0.000 claims abstract description 86
- 238000013441 quality evaluation Methods 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 4
- 238000009792 diffusion process Methods 0.000 claims description 27
- 238000000513 principal component analysis Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000013178 mathematical model Methods 0.000 claims description 6
- 239000003344 environmental pollutant Substances 0.000 claims description 4
- 231100000719 pollutant Toxicity 0.000 claims description 4
- 238000004141 dimensional analysis Methods 0.000 claims description 3
- 238000005290 field theory Methods 0.000 claims description 3
- 239000002574 poison Substances 0.000 claims description 3
- 231100000614 poison Toxicity 0.000 claims description 3
- 239000010840 domestic wastewater Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000010842 industrial wastewater Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提出了一种基于高斯烟羽模型的水域特征模型建立方法,包括建立基于综合水质评价的水域基本模型和建立基于高斯烟羽模型的水域特征模型两个基本步骤。步骤一,利用主成分分析方法,对待监测水域进行综合水质评价分析,建立水域基本模型;步骤二,利用高斯烟羽模型确定重要监测点的影响范围,进而建立水域特征模型。本发明通过对待监测水域水质数据的分析,可得到该水域的监测模型,为传感器的有效部署提供了理论基础。
Description
技术领域
本发明涉及环境监测和传感器网络领域,尤其涉及一种基于高斯烟羽模型的水域特征模型建立方法的研究。
背景技术
水质监测是用科学的方法监视和监测反映水体质量的变化趋势及污染的来龙去脉,是监视和测定水体中污染物种类、各类污染物浓度及变化趋势,评价水质状况的过程。由于近几年内生活废水、工业废水和恶劣气象条件对水环境的剧烈影响,对水环境进行实时监控以进行有效的预测预警是需要解决的重要问题。
由于水质传感器成本较高,希望能够对监测环境中的重点区域部署更多的传感器以提高监测质量,节约成本。因此,需要针对待监测区域建立有效的水域特征模型。本申请将结合主成分分析和高斯烟羽模型,对待监测区域进行特征划分,为进行精确的水环境监测提供充实的理论依据。
发明内容
本发明的目的在于提出一种基于高斯烟羽模型的水域特征模型建立方法,可为水质传感器网络的部署提供理论基础,可广泛应用于水环境监测、水污染的预测和治理等领域。
为达到上述目的,本发明提出一种基于高斯烟羽模型的水域特征模型建立方法,具体包括建立基于综合水质评价的水域基本模型和建立基于高斯烟羽模型的水域特征模型两个基本步骤。
步骤一,在本发明的一个实施例中,所述基于综合水质评价的水域基本模型进一步包括:针对采集到的水域监测数据,利用主成分分析法对各个因素进行分析,对水质参数进行降维处理,提取出水质评价的代表成分,其数学模型为:
其中,i为样本个数;j为因子个数;n为主成分分析后的主成分个数;a1j,a2j,…,anj是原始变量矩阵在各主成分上的载荷;Xi1,Xi2,…,Xij是原始变量矩阵经过标准化处理的值;zi1,zi2,……,zin表示经过主成分分析后各个主成分的值;
由主成分分析得出的每个样本的主成分zin值,能够得到相应的主成分评价函数Zi,作为评判重点监测点的数据基础:
其中,Zi是每个样本对应的主成分评价得分值;λi1,λi2,……,λin是矩阵[Xi1,Xi2,……,Xij]初始特征值对应的方差贡献率;
通过主成分分析对某区域水质参数的分析,可以得出该区域在时间变化上的综合水质评价得分Zi,求取这些得分的方差值,可以评价该水域的水质数据稳定或者波动的情况,同理,可求得各片水域的综合水质评价得分的方差值,比较各水域的方差值大小,将方差值最大的监测点作为重点监测点,并以此作为水域基本模型;
步骤二,在本发明的一个实施例中,所述基于高斯烟羽模型的水域特征模型的建立进一步包括:利用高斯烟羽模型确定重点监测点的影响范围;从理论上说,污染物在水域中的分布与毒物在大气中的扩散相似,是对无限空间扩散方程式的正态分布解,其数学模型如下式所示:
式中,x,y,z分别为距离重点监测点的水平、垂直及横向距离,其中x方向定义为重点监测点水质的扩散方向;C(x,y,z)为(x,y,z)点上受重点监测点影响的程度,是个无量纲的量;q为重点监测点扩散源的影响力;μ是重点监测点水质浓度的传播速度;σy和σz是x的函数,分别为重点监测点在y和z方向的分布参数;
由于重点监测点的影响范围受多个不确定因素的影响,在完全理想的无限空间进行扩散现象的推导,令σy=σz=σ,y2+z2=r2,r为扩散半径,则有:
由于q,μ,K与重点监测点的水质情况以及周围其他水域水质状况有关,作进一步假设,由量纲分析设K=ax,这里a为常量,a∈(0.15,1);此时:
借助引力场理论进行模拟,重点监测点扩散源的影响力q表示为如下公式:
式中,P为重点监测点的面积,通过以重点监测点为圆心,以传感器的感知范围为半径求出;
因此,由上述公式可求出重点监测点对周围水域产生的影响范围为:
因此,确定P、μ和C(x,r)即可得到重点监测点的影响范围,其中C(x,r)可由重点监测点的方差除以各监测点的方差之和求出;
其次,建立水域特征模型;水域特征模型由重点监测水域和非重点监测水域构成;以重点监测点为圆心,以重点监测点的影响范围和传感器的感知半径之和为半径,即可得到最终的重点监测水域,其余水域为非重点监测水域。
本发明提出的一种基于高斯烟羽模型的水域特征模型建立方法,可实现对监测水域的特征进行划分,为水质传感器网络的部署提供充实的理论依据。
附图说明
图1为本发明实施例的一种基于高斯烟羽模型的水域特征模型建立方法流程图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的意义。下面所描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本发明是针对水环境监测过程中,针对复杂的水域环境,提出的一种基于高斯烟羽模型的水域特征模型建立方法。
为了能够对本发明有更清楚的理解,在此进行简要描述。本发明包括两个基本步骤:步骤一,建立基于综合水质评价的水域基本模型;步骤二,建立基于高斯烟羽模型的水域特征模型。
具体的,图1所示为本发明实施例的一种基于高斯烟羽模型的水域特征模型建立方法的流程图,包括以下步骤:
步骤S101,建立基于综合水质评价的水域基本模型。
在本发明的一个实施例中,针对采集到的水域监测数据,利用主成分分析法对各个因素进行分析,对水质参数进行降维处理,提取出水质评价的代表成分,其数学模型为:
其中,i为样本个数;j为因子个数;n为主成分分析后的主成分个数;a1j,a2j,…,anj是原始变量矩阵在各主成分上的载荷;Xi1,Xi2,…,Xij是原始变量矩阵经过标准化处理的值;zi1,zi2,……,zin表示经过主成分分析后各个主成分的值;
由主成分分析得出的每个样本的主成分zin值,能够得到相应的主成分评价函数Zi,作为评判重点监测点的数据基础:
其中,Zi是每个样本对应的主成分评价得分值;λi1,λi2,……,λin是矩阵[Xi1,Xi2,……,Xij]初始特征值对应的方差贡献率;
通过主成分分析对某区域水质参数的分析,可以得出该区域在时间变化上的综合水质评价得分Zi,求取这些得分的方差值,可以评价该水域的水质数据稳定或者波动的情况,同理,可求得各片水域的综合水质评价得分的方差值,比较各水域的方差值大小,将方差值最大的监测点作为重点监测点,并以此作为水域基本模型。
步骤S102,利用高斯烟羽模型确定重点监测点的影响范围。
在本发明的一个实施例中,污染物在水域中的分布与毒物在大气中的扩散相似,是对无限空间扩散方程式的正态分布解,其数学模型如公式(3)所示:
式中,x,y,z分别为距离重点监测点的水平、垂直及横向距离,其中x方向定义为重点监测点水质的扩散方向;C(x,y,z)为(x,y,z)点上受重点监测点影响的程度,是个无量纲的量;q为重点监测点扩散源的影响力;μ是重点监测点水质浓度的传播速度;σy和σz是x的函数,分别为重点监测点在y和z方向的分布参数;
由于重点监测点的影响范围受多个不确定因素的影响,在完全理想的无限空间进行扩散现象的推导,令σy=σz=σ,y2+z2=r2,r为扩散半径,则有:
由于q,μ,K与重点监测点的水质情况以及周围其他水域水质状况有关,作进一步假设,由量纲分析设K=ax,这里a为常量,a∈(0.15,1);此时:
借助引力场理论进行模拟,重点监测点扩散源的影响力q表示为公式(8);
式中,P为重点监测点的面积,通过以重点监测点为圆心,以传感器的感知范围为半径求出;
因此,由公式(7)和(8)可求出重点监测点对周围水域产生的影响范围为:
因此,确定P、μ和C(x,r)即可得到重点监测点的影响范围,其中C可由重点监测点的方差除以各监测点的方差之和求出。
步骤S103,建立水域特征模型。
水域特征模型由重点监测水域和非重点监测水域构成;以重点监测点为圆心,以重点监测点的影响范围和传感器的感知半径之和为半径,即可得到最终的重点监测水域,其余水域为非重点监测水域。
通过本发明提出的一种基于高斯烟羽模型的水域特征模型建立方法,可实现对监测水域的特征进行划分,为水质传感器网络的部署提供充实的理论依据。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制。本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或对其中部分技术特征进行等同替换,而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,本发明的范围由所附权利要求及其等同限定。
Claims (1)
1.一种基于高斯烟羽模型的水域特征模型建立方法,其特征在于:包括建立基于综合水质评价的水域基本模型和建立基于高斯烟羽模型的水域特征模型两个步骤;
所述建立基于综合水质评价的水域基本模型包括:
针对采集到的水域监测数据,利用主成分分析法对各个因素进行分析,对水质参数进行降维处理,提取出水质评价的代表成分,其数学模型为:
其中,i为样本个数;j为因子个数;n为主成分分析后的主成分个数;a1j,a2j,…,anj是原始变量矩阵在各主成分上的载荷;Xi1,Xi2,…,Xij是原始变量矩阵经过标准化处理的值;zi1,zi2,……,zin表示经过主成分分析后各个主成分的值;
由主成分分析得出的每个样本的主成分zin值,能够得到相应的主成分评价函数Zi,作为评判重点监测点的数据基础:
其中,Zi是每个样本对应的主成分评价得分值;λi1,λi2,……,λin是矩阵[Xi1,Xi2,……,Xij]初始特征值对应的方差贡献率;
通过主成分分析对某区域水质参数的分析,可以得出该区域在时间变化上的综合水质评价得分Zi,求取这些得分的方差值,可以评价该水域的水质数据稳定或者波动的情况,同理,可求得各片水域的综合水质评价得分的方差值,比较各水域的方差值大小,将方差值最大的监测点作为重点监测点,并以此作为水域基本模型;
所述基于高斯烟羽模型的水域特征模型的建立包括:
(1)利用高斯烟羽模型确定重点监测点的影响范围
从理论上说,污染物在水域中的分布与毒物在大气中的扩散相似,是对无限空间扩散方程式的正态分布解,其数学模型如公式(3)所示:
式中,x,y,z分别为距离重点监测点的水平、垂直及横向距离,其中x方向定义为重点监测点水质的扩散方向;C(x,y,z)为(x,y,z)点上受重点监测点影响的程度,是个无量纲的量;q为重点监测点扩散源的影响力;μ是重点监测点水质浓度的传播速度;σy和σz是x的函数,分别为重点监测点在y和z方向的分布参数;
由于重点监测点的影响范围受多个不确定因素的影响,在完全理想的无限空间进行扩散现象的推导,令σy=σz=σ,y2+z2=r2,r为扩散半径,则有:
由于q,μ,K与重点监测点的水质情况以及周围其他水域水质状况有关,作进一步假设,由量纲分析设K=ax,a∈(0.15,1);此时:
借助引力场理论进行模拟,重点监测点扩散源的影响力q表示为公式(8);
式中,P为重点监测点的面积,通过以重点监测点为圆心,以传感器的感知范围为半径求出;
因此,由公式(7)和(8)可求出重点监测点对周围水域产生的影响范围为:
因此,通过烟羽模型就可以得到重点监测点的影响范围;
(2)建立水域特征模型
水域特征模型由重点监测水域和非重点监测水域构成;以重点监测点为圆心,以重点监测点的影响范围和传感器的感知半径之和为半径,即可得到最终的重点监测水域,其余水域为非重点监测水域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810045255.8A CN107944205B (zh) | 2018-01-17 | 2018-01-17 | 一种基于高斯烟羽模型的水域特征模型建立方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810045255.8A CN107944205B (zh) | 2018-01-17 | 2018-01-17 | 一种基于高斯烟羽模型的水域特征模型建立方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107944205A CN107944205A (zh) | 2018-04-20 |
CN107944205B true CN107944205B (zh) | 2020-12-29 |
Family
ID=61937714
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810045255.8A Active CN107944205B (zh) | 2018-01-17 | 2018-01-17 | 一种基于高斯烟羽模型的水域特征模型建立方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107944205B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109738604B (zh) * | 2019-01-14 | 2021-04-27 | 北京工商大学 | 一种基于空间权重矩阵的水域特征模型建立方法 |
CN110889201B (zh) * | 2019-11-05 | 2020-07-03 | 北京工商大学 | 基于混杂动态系统的水质机理建模及健康风险评估方法 |
CN113408089B (zh) * | 2021-05-31 | 2023-09-26 | 上海师范大学 | 一种基于引力场思想的集群间影响力建模方法及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101257424A (zh) * | 2008-04-08 | 2008-09-03 | 杭州电子科技大学 | 基于表面均匀配置的水下无线传感器网络覆盖控制方法 |
CN103024007A (zh) * | 2012-12-04 | 2013-04-03 | 常州大学 | 基于Zigbee和GPRS的远程水环境监测仪及监测方法 |
CN104573862A (zh) * | 2015-01-06 | 2015-04-29 | 北京工商大学 | 基于多Agent的湖库、流域的水质监测断面优化布设方法 |
CN106231609A (zh) * | 2016-09-22 | 2016-12-14 | 北京工商大学 | 一种基于重点目标区域的水下传感器网络优化部署方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7817994B2 (en) * | 2004-09-20 | 2010-10-19 | Robert Bosch Gmbh | Secure control of wireless sensor network via the internet |
-
2018
- 2018-01-17 CN CN201810045255.8A patent/CN107944205B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101257424A (zh) * | 2008-04-08 | 2008-09-03 | 杭州电子科技大学 | 基于表面均匀配置的水下无线传感器网络覆盖控制方法 |
CN103024007A (zh) * | 2012-12-04 | 2013-04-03 | 常州大学 | 基于Zigbee和GPRS的远程水环境监测仪及监测方法 |
CN104573862A (zh) * | 2015-01-06 | 2015-04-29 | 北京工商大学 | 基于多Agent的湖库、流域的水质监测断面优化布设方法 |
CN106231609A (zh) * | 2016-09-22 | 2016-12-14 | 北京工商大学 | 一种基于重点目标区域的水下传感器网络优化部署方法 |
Non-Patent Citations (4)
Title |
---|
Measurements of Turbulence and Dispersion in Three Idealized Urban Canopies with Different Aspect Ratios and Comparisons with a Gaussian Plume Model;Pablo Huq 等;《Boundary-Layer Meteorology》;20121102;第147卷;第103-121页 * |
Road traffic impact on urban water quality: a step towards integrated traffic, air and stormwater modelling;Masoud Fallah Shorshani 等;《Environmental Science and Pollution Research》;20131128;第21卷;第5297-5310页 * |
基于粒子群优化算法的水质传感器优化部署研究;余幸运 等;《传感器与微系统》;20161231;第35卷(第12期);第30-32,36页 * |
基于高斯烟羽扩散模型的成都市空气质量的研究;周彤璞 等;《周彤璞》;20170130(第2期);第45-49页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107944205A (zh) | 2018-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106231609B (zh) | 一种基于重点目标区域的水下传感器网络优化部署方法 | |
Chen et al. | Predict the effect of meteorological factors on haze using BP neural network | |
CN108064047B (zh) | 一种基于粒子群的水质传感器网络优化部署方法 | |
CN107944205B (zh) | 一种基于高斯烟羽模型的水域特征模型建立方法 | |
Bernal et al. | Financial market time series prediction with recurrent neural networks | |
CN108921359B (zh) | 一种分布式瓦斯浓度预测方法及装置 | |
CN112926172B (zh) | 一种突发性重金属水污染追踪溯源的方法 | |
CN110610209A (zh) | 一种基于数据挖掘的空气质量预测方法及系统 | |
CN106934242B (zh) | 基于交叉熵法的多模式下设备的健康度评估方法及系统 | |
CN114217025B (zh) | 评估空气质量浓度预测中气象数据对其影响的分析方法 | |
CN111428419A (zh) | 悬浮泥沙浓度预测方法、装置、计算机设备和存储介质 | |
CN113281229A (zh) | 一种基于小样本下多模型自适应大气pm2.5浓度预测方法 | |
CN115049026A (zh) | 基于gsnnr的空间非平稳性关系的回归分析方法 | |
CN111047476A (zh) | 基于rbf神经网络的大坝结构安全监控精确预测方法及系统 | |
Mondal et al. | Hydrologic extremes under climate change: non-stationarity and uncertainty | |
CN115983329A (zh) | 空气质量及气象条件的预测方法、装置、设备及存储介质 | |
CN111126694A (zh) | 一种时间序列数据预测方法、系统、介质及设备 | |
CN109738604B (zh) | 一种基于空间权重矩阵的水域特征模型建立方法 | |
Pawar et al. | Design And Development Of Aerial Vehicle For Air Quality Monitoring. | |
CN116205135A (zh) | 基于数据分解和神经网络的so2排放预测方法及系统 | |
Hu et al. | Prediction of PM2. 5 based on Elman neural network with chaos theory | |
CN115408646A (zh) | 基于大数据的河流污染物监测方法及系统 | |
CN109858699B (zh) | 水质定量模拟方法、装置、电子设备及存储介质 | |
CN113553754A (zh) | 存储器、火灾风险预测模型构建方法、系统和装置 | |
CN111062118A (zh) | 一种基于神经网络预测分层的多层软测量建模系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |